Salut @hartpjb ,
Les transformations de données sont utilisées dans de nombreuses disciplines ; certaines transformations sont fonctionnelles (c'est-à-dire la transformation logarithmique de la concentration lors de l'évaluation des données d'essais biologiques), tandis que d'autres sont davantage destinées à des fins esthétiques/de visualisation. Ce dernier cas est le cas pour LogWorth. Comme mentionné ci-dessus, cette transformation peut faciliter la visualisation et l'interprétation des valeurs p tronquées. Deux effets de modèle peuvent avoir une valeur p égale à 0,0000, ce qui vous amène à penser qu'ils sont d'égale importance ; Cependant, une fois transformé, vous constaterez peut-être qu’un effet du modèle est plus important qu’un autre.
Je ne peux pas dire si LogWorth est spécifique à JMP. Si vous êtes curieux et souhaitez une réponse plus claire, vous pouvez envisager de vous connecter à notre conférence virtuelle de découverte JMP la semaine prochaine. Il y a une session « Rencontre avec les experts » où vous pouvez discuter avec notre équipe de développement, les grands esprits derrière JMP 
Salut Jeff, Merci pour l'explication. logWorth semble unique à JMP. Je ne trouve aucune référence à cela dans les livres sur les méthodes statistiques - par exemple Sokal et Rohlf « Biométrie » ou Zar « Analyse biostatistique » ou Snedecor « Méthodes statistiques ». LogWorth est-il propre à certaines disciplines ? - Je suis biologiste et j'ai peut-être une vision limitée du domaine statistique.
Salut @hartpjb ,
Les valeurs logWorth affichées dans le tableau récapitulatif des effets sont des transformations -log de la valeur p de chaque effet du modèle. Cette représentation peut être utile pour interpréter le degré de différence d'importance entre les effets de votre modèle (c'est-à-dire potentiellement plus facile à comparer que les valeurs p). Le tableau Analyse de variance est utilisé pour évaluer le modèle global. Pour plus d'informations sur ces tableaux, consultez la documentation d'aide de JMP : Récapitulatif des effets et analyse de la variance.
Logworth est égal à -log base 10 de la valeur p. Prendre le log (à n'importe quelle base) de la valeur p place le résultat sur une échelle interprétée de manière plus significative que l'échelle de 0 à 1 d'une valeur p.
Rafi et Greenland (2020) proposent d'utiliser une valeur s au lieu d'une valeur p ; la valeur s est -log base 2 de la valeur p (et elle est donc proportionnelle à logworth), et peut être interprétée par analogie avec le lancer de pièce de monnaie.
Outils sémantiques et cognitifs au service de la science statistique : remplacer la confiance et la signification par la compatibilité et la surprise
Rafi et Greenland BMC Méthodologie de recherche médicale (2020) 20:244
https://doi.org/10.1186/s12874-020-01105-9
« La valeur S fournit une échelle absolue sur laquelle visualiser
les informations fournies par une valeur P valide, telle que mesurée
en calibrant le p observé par rapport à un mécanisme physique
qui produit des données avec des probabilités connues. Un seul
le tirage au sort produit un résultat binaire qui peut être codé
comme 1 = pile, 0 = face, et ne nécessite donc que deux symboles
ou les États à enregistrer ou à stocker ; d'où les informations contenues dans un
un lancer simple est appelé bit, abréviation de chiffre binaire, ou un shannon.
Les informations décrivant une séquence de lancers nécessitent
s bits à enregistrer ou à stocker ; étendant ainsi cette
mesure à une hypothèse H avec p-valeur p, on dit que
test fourni s = −log2(p) bits d'information par rapport à H.
« Nous soulignons que, sans autres restrictions, notre calibrage
de la valeur P contre le lancer de pièces ne mesure que
informations contre l'hypothèse de test, non en faveur
de celui-ci. Cette limitation est pour la raison purement logique que
il n'y a aucun moyen de faire la distinction parmi l'infinité de l'arrière-plan
hypothèses qui conduisent à un test avec le même ou un plus grand
Valeur P et donc la même valeur S ou une valeur S inférieure. Il y a
il n'y a aucune façon pour que les données puissent soutenir une hypothèse de test, sauf de manière relative
à un ensemble fixe d'hypothèses de base. Plutôt que
en prenant pour acquis les hypothèses de base, nous préférons
au lieu d’adopter une vision réfutationniste, qui souligne que
toute revendication de soutien sera minée par des suppositions
incertitude, et il est donc préférable de l'éviter. Cette mise en garde s'applique
quelle que soit la statistique de test utilisée, qu'il s'agisse de la valeur P, de la valeur S,
Facteur de Bayes, ou probabilité postérieure.
« Comme pour la valeur P, la valeur S ne se réfère qu'à un cas particulier.
test avec des hypothèses de fond particulières. Un autre
un test basé sur différentes hypothèses de fond
produisent généralement une valeur P différente et donc une valeur S différente ;
ce serait donc une erreur d'appeler simplement la valeur S
« les informations contre l’hypothèse fournie par le
données", car il s'agit toujours d'un test de l'hypothèse conjointe
avec (ou conditionné par) les hypothèses. À titre d'exemple de base,
nous pouvons comparer la valeur P pour l'hypothèse nulle stricte
(sans effet sur aucune unité expérimentale)
comparer deux groupes expérimentaux à l’aide d’un test t (qui,
avec la randomisation, suppose une distribution normale
réponses sous l'hypothèse nulle), à la valeur P de
un test de permutation (qui suppose uniquement une randomisation).
Enfin, comme expliqué dans le supplément, la valeur S
peut également être exprimé en utilisant d'autres unités logarithmiques telles que
comme logarithmes naturels (base e), −ln(p), qui est mathématiquement
« plus pratique mais pas aussi facile à représenter physiquement. »
